پیش بینی روند تعداد مصدومین حوادث ترافیکی ارجاعی به پزشکی قانونی استان همدان با استفاده از شبکه عصبی مصنوعی چند لایه
ارتقای ایمنی و پیشگیری از مصدومیت ها,
دوره 8 شماره 1 (1399),
29 مرداد 2020
,
صفحه 29 - 24
https://doi.org/10.22037/meipm.v8i1.30132
چکیده
سابقه و هدف: حوادث ترافیک جاده ای یک مشکل جدید بهداشت عمومی در سراسر جهان است به گونه ای که ﺗﺼﺎدﻓﺎت راﻧﻨﺪﮔﯽ یکی از ﻣﻬﻢﺗﺮﯾﻦ دﻟﯿﻞ ﻣﺮگ، ﻧﺎﺗﻮاﻧﯽ و ﺑﺴﺘﺮي در ﺑﯿﻤﺎرﺳﺘﺎن را ﺗﺸﮑﯿﻞ ﻣﯽدﻫﻨﺪ . پیش بینی روند تعداد مصدومین حوادث ترافیکی ارجاعی به پزشکی قانونی استان همدان با استفاده از شبکه عصبی مصنوعی چند لایه هدف این تحقیق بود.
روش بررسی: تحقیق حاضر توصیفی و تحلیلی از نوع مقایسه ای بود که با استفاده از اطلاعات گذشته به پیش بینی آینده پرداخت. در این تحقیق با استفاده از آمار مصدومان ترافیکی ارجاعی به پزشکی قانونی استان همدان بین فروردین 1368 تا اسفند 1398 با استفاده از شبکه عصبی مصنوعی به پیش بینی تعداد مصدومین برای 12 ماهه منتهی به سال 1399 پرداخته شد. ایتدا شبکه عصبی مناسب با داده های مصدومین طراحی گردید و سپس با استفاده از بهترین شبکه طراحی شده، شبکه شروع به آموزش نمود و شبکه مورد اعتبار سنجی با شاخص درصد قدر مطلق میانگین خطا قرار گرفت. ملاحضات اخلاق در پژوهش در تحقیق حاضر رعایت شد و تحقیق دارای کد اخلاق به شماره IR.MEDILAM.REC.1398.213 می باشد.
نتایج: شبکه عصبی مصنوعی با 12 ورودی ، یک خروجی و 5 لایه پنهان مناسب ترین شبکه برای پیش بینی مصدومین ارجاعی به پزشکی قانونی همدان بود، شبکه عصبی توانست که با دقت 90 درصد و خطای 10 درصد مقادیر 12 ماهه مصدومان همدان در سال 1399 را به خوبی پیش بینی کند.
نتیجه گیری: مقادیر پیش بینی شده نشان داد تعداد مصدومان ترافیکی در استان همدان در حال کاهش است.با توجه به دقت بالا شبکه عصبی مصوعی در این تحقیق می توان این روش را به عنوان مبنایی برای آینده پژوهی در تصادفات قرار داد. روند نزولی تعداد مصدومان ترافیکی استان همدان نشان از موثر بودن برنامه های کاهش تصادفات در این استان است.
How to cite this article: Omidi MR, Omidi N. Forecasting the Number of Injured in Traffic Accidents Referred to Forensic Medicine in Hamadan Province using Multi-layered Artificial Neural Network. J Saf Promot Inj Prev. 2020; 8(1):24-9.
- تصادف، پیش بینی، مصدومیت
ارجاع به مقاله
مراجع
Kurakina E, Evtiukov S, Rajczyk J. Forecasting of road accident in the DVRE system. Transportation Research Procedia. 2018;36:380-5.
Fountas G, Anastasopoulos PC, Mannering FL. Analysis of vehicle accident-injury severities: A comparison of segment- versus accident-based latent class ordered probit models with class-probability functions. Analytic Methods in Accident Research. 2018;18:15-32.
Omidi N, Omidi MR. Estimating Accident-Related Traumatic Injury Rate by Future Studies Models in Semnan Province, Iran. Health in Emergencies and Disasters Quarterly. 2018;3(4):191-8.
Grant E, Salmon PM, Stevens NJ, Goode N, Read GJ. Back to the future: What do accident causation models tell us about accident prediction? Safety Science. 2018;104:99-109.
Asgari H, Omidi MR, Omidi N. Use of econometric techniques to estimate the traumatic trend of road accidents. Safety Promotion and Injury Prevention. 2019 Oct 8;6(4):173-82.
Fountas G, Anastasopoulos PC. Analysis of accident injury-severity outcomes: The zero-inflated hierarchical ordered probit model with correlated disturbances. Analytic Methods in Accident Research. 2018;20:30-45.
Omidi MR, Jafari Eskandari M, Raissi S, Shojaei AA. Providing an Appropriate Prediction Model for Traffic Accidents: A Case Study on Accidents in Golestan, Mazandaran, Guilan, and Ardebil Provinces. Health in Emergencies and Disasters Quarterly. 2019;4(3):165-72.
Mannering F. Temporal instability and the analysis of highway accident data. Analytic Methods in Accident Research. 2018;17:1-13.
Mehdizadeh M, Shariat-Mohaymany A, Nordfjaern T. Accident involvement among Iranian lorry drivers: Direct and indirect effects of background variables and aberrant driving behaviour. Transportation Research Part F: Traffic Psychology and Behaviour. 2018;58:39-55.
Mohammadzadeh Moghaddam A, Tabibi Z, Sadeghi A, Ayati E, Ghotbi Ravandi A. Screening out accident-prone Iranian drivers: Are their at-fault accidents related to driving behavior? Transportation Research Part F: Traffic Psychology and Behaviour. 2017;46:451-61.
Naderi M, Khamehchi E, Karimi B. Novel statistical forecasting models for crude oil price, gas price, and interest rate based on meta-heuristic bat algorithm. Journal of Petroleum Science and Engineering. 2019;172:13-22.
Bahadori Monfared A, Soori H, Mehrabi Y, Rahmati Roudsar M, Esmaili A, Salehi M, et al. A model for prediction of on the rate of mortality due to road traffic accidents in Iran. Research-in-Medicine. 2013;36(5):7-11.
Omidi N, Omidi MR. Estimating accident-related traumatic injury rate by future studies models in Semnan Province, Iran. Health in Emergencies and Disasters. 2018;3(4):191-8.
Omidi N, Asgari H, Omidi MR, Jafari Eskandari M. The study of traffic accidents in Zanjan Province between March 2009 and February 2016 and comparing the mathematical method to predict traffic injuries referred to the Forensic Medicine between 2017 and 2020. iau-tmuj. 2017;27(3):201-8.
Ihueze CC, Onwurah UO. Road traffic accidents prediction modelling: An analysis of Anambra State, Nigeria. Accident Analysis & Prevention. 2018;112:21-9. [Pubmed]
- چکیده مشاهده شده: 361 بار